شبه کد الگوریتم Kmeans بصورت زیر می باشد و در کدنویسی انجام شده نیز مطابق این شبه کد ، پیاده سازی صورت گرفته است:

نوشته شبیه سازی الگوریتم kmeans در متلب اولین بار در برنامه نویسی هوشمند پدیدار شد.

روش  خوشه بندی K-Means علی‌رغم سادگی آن یک روش پایه برای بسیاری از روش‌های خوشه‌بندی دیگر محسوب می‌شود. این روش روشی انحصاری و مسطح محسوب می‌شود. برای این الگوریتم شکلهای مختلفی بیان شده است. ولی همه آنها دارای روالی تکراری هستند که برای تعدادی ثابت از خوشه‌ها سعی در تخمین موارد زیر دارند:

• بدست آوردن نقاطی به عنوان مراکز خوشه‌ها این نقاط در واقع همان میانگین نقاط متعلق به هر خوشه هستند.
• نسبت دادن هر نمونه داده به یک خوشه که آن داده کمترین فاصله تا مرکز آن خوشه را دارا باشد.

در نوع ساده‌ای از این روش ابتدا به تعداد خوشه‌‌های مورد نیاز نقاطی به صورت تصادفی انتخاب می‌شود. سپس در داده‌ها با توجه با میزان نزدیکی (شباهت) به یکی از این خوشه‌ها نسبت داده‌ می‌شوند و بدین ترتیب خوشه‌های جدیدی حاصل می‌شود. با تکرار همین روال می‌توان در هر تکرار با میانگین‌گیری از داده‌ها مراکز جدیدی برای انها محاسبه کرد و مجدادأ داده‌ها را به خوشه‌های جدید نسبت داد. این روند تا زمانی ادامه پیدا می‌کند که دیگر تغییری در داده‌ها حاصل نشود. تابع زیر به عنوان تابع هدف مطرح است.

که ||   ||  معیار فاصله بین نقطه i ام با  مرکز خوشه jام است.

فلوچارت الگوریتم خوشه‌بندی K-Means  بصورت زیر می باشد:

الگوريتم زير الگوريتم پايه براي اين روش محسوب مي‌شود:

1. در ابتداK نقطه به عنوان به نقاط مراکز خوشه‌ها انتخاب مي‌شوند.
2. هر نمونه داده به خوشه‌اي که مرکز آن خوشه کمترين فاصله تا آن داده را داراست، نسبت داده‌ مي‌شود.
3. پس تعلق تمام داده‌ها به يکي از خوشه‌ها براي هر خوشه يک نقطه جديد به عنوان مرکز محاسبه مي‌شود. (ميانگين نقاط متعلق به هر خوشه)
4. مراحل2 و 3 تکرار مي‌شوند تا زماني که ديگر هيچ تغييري در مراکز خوشه‌ها حاصل نشود.

برای دریافت کد متلب الگوریتم Kmeans به همراه توضیحات خط به خط کد بر روی لینک زیر کلیک فرمایید

برای دریافت کد الگوریتم Kmeans به زبان c# به همراه توضیحات بر روی لینک زیر کلیک فرمایید:

پیاده سازی الگوریتم K means در سی شارپ

برای دریافت اسلاید فارسی و کامل از الگوریتم خوشه بندی k-means بر روی لینک زیر کلیک کنید

برای آشنایی با روال کار و فلوچارت الگوریتم K-means بر روی لینک زیر کلیک کنید.

آشنایی با الگوریتم K-means

برای دریافت کد متلب خوشه بندی دیتای Iris با الگوریتم Kmeans بر روی لینک زیر کلیک فرمایید:

خوشه بندی دیتای Iris با الگوریتم K-means

نوشته خوشه بندی K-Means اولین بار در برنامه نویسی هوشمند پدیدار شد.

شبیه سازی مقاله خوشه بندی با عنوان :

 Clustering Analysis with Combination of Artificial Bee Colony Algorithm and k-Means Technique

سال چاپ: 2014

دانلود اصل مقاله 

روال کار مقاله:

یک الگوریتم جدید بنام KABC برای خوشه بندی ارائه شده است در این کار که از ترکیب الگوریتم Kmeans و الگوریتم ABC بدست امده است. الگوریتم Kmeans در بهینه های محلی گیر میکند و الگوریتم KABC برای رفع این مشکل ارائه شده است.

روال الگوریتم KABC بصورت زیر می باشد:

– مقدار دهی اولیه منابع غذا، یا ساخت تصادفی راه حل های اولیه  . در اینجا هر منبع غذا در واقع مراکز خوشه ها را  به ما خواهد داد.

– با الگوریتم Kmeans هر منبع غذایی را ارزیابی میکنیم .

– زنبور های کارگر را به سمت منابع غذا میفرستم

– حلقه تکرار الگوریتم شروع میشود که شامل مراحل زیر می باشد:

– تا زمان برقراری شرط پایان مراحل زیر را تکرار کن

• -هر زنبورکارگر یک منبع غذایی جدید در منبع غذایی خود تولید می کند و منبع بهتر را استخراج می کند.
• هر زنبور دیده ور یک منبع را وابسته به کیفیت راه حلش انتخاب می کند و یک منبع غذایی جدید رادر مکان منبع غذایی انتخاب شده تولید می کند و منبع بهتر را استخراج می کند.
• تعیین منبعی که باید متروک شود و تخصیص زنبورهای کارگر آن به عنوان دیده ور برای جستجوی منابع غذایی جدید.
• بخاطر سپردن بهترین منبع غذایی پیدا شده تا کنون.

تکرار مرحله های فوق تا زمانی که معیار توقف مقتضی شود.

در واقع میتوان گفت به این شکل عمل شده است که الگوریتم ABC استفاده شده را به این شکل تغییر داده ایم که هر راه حل نشان دهنده مراکز خوشه ها باشد و برای ارزیابی هر راه حل نیز از الگوریتم Kmeans استفاده کرده ایم.

در الگوریتم ارائه شده هر منبع غذایی یک مجموعه از مراکز خوشه را نمایش میدهد . بعنوان مثال اگر دیتا را بخواهیم در سه خوشه دسته بندی کنیم و دیتای ما نیز دارای 4 ویژگی باشد یک منبع غذایی بصورت یک بردار با 12 خانه نمایش داده میشود (3*4=12)  که 4 خانه اول ان نشان دهنده مرکز کلاستر اول، 4 خانه دوم ان نشان دهنده مرکز کلاستر دوم و 4 خانه سوم ان نیز نشان دهنده مراکز خوشه سوم می باشند

به این ترتیب جمعیت اولیه یا همان منابع غذا بصورت رندوم تولید میشوند.

برای ارزیابی هر منبع غذایی (هر راه حل) ، دیتای مورد نظر خود را با توجه به مراکز خوشه ای که ان راه حل به مامیدهد،با الگوریتم Kmeans ارزیابی میکنیم. یعنی مراکز خوشه ای را که راه حل به ما میدهد را بعنوان مراکز خوشه اولیه الگوریتم Kmeans در نظر میگیریم و الگوریتم Kmeans را اعمال میکنیم. در نهایت برای مشخص شدن دقت حاصل از خوشه بندی از معیار اعوجاج یا Distortion  استفاده میکنیم که این معیار بصورت زیر تعریف میشود:

معیار فوق به این معنی هست که به ازای هر داده، فاصله اقلیدسی ان داده از مرکز خوشه اش را محاسبه میکنیم و مجموع این فواصل را بعنوان معیار اعوجاج  در E قرار میدهیم . بدیهی است هرچه مقدار E کمتر شود یعنی عمل خوشه بندی بهتر انجام گرفته است

برای ارزیابی روش پیشنهادی نیز از دیتاست های استاندارد موجود در مخزن UCI استفاده شده است و سه دیتاست با نام های IRIS و Wine و CMC مورد استفاده قرار گرفته اند که در ادامه هر سه را معرفی میکنیم

دیتاست IRIS : این دیتاست شامل 150 نمونه می باشد که هر نمونه نیز 4 ویژگی دارد و نمونه ها در سه کلاس دسته بندی شده اند.

دیتاست Wine : این دیتاست شامل 178 نمونه می باشد که هر نمونه نیز 13 ویژگی دارد و نمونه ها در سه کلاس دسته بندی شده اند.

دیتاست CMC : این دیتاست شامل 1473 نمونه می باشد که هر نمونه نیز 10 ویژگی دارد و نمونه ها در سه کلاس دسته بندی شده اند.

برای شبیه سازی نیز تنظیم پارامتر های الگوریتم بصورت زیر انجام شده است که اندازه جمعیت مساوی 10 و مقدار پارامتر Limit مساوی 100 و تعداد تکرار الگوریتم نیز مساوی 20 در نظر گرفته شده است

برای هر دیتاست به تعداد 100 بار الگوریتم را اجرا کرده ایم، ونتایج را در جدول ارائه کرده ایم که شامل بهترین نتیجه،بدترین نتیجه و میانگین نتایج می باشد.

جهت دریافت کد متلب مقاله فوق، و شبیه سازی انجام شده به همراه فایل توضیحات با ما تماس بگیرید. هزینه کار 100 هزارتومان می باشد.

09120563264

نوشته شبیه سازی مقاله خوشه بندی اولین بار در برنامه نویسی هوشمند پدیدار شد.

الگوریتم کی مینز یکی از الگوریتم های معروف در زمینه کلاسترینگ و خوشه بندی می باشد. در این کار ، الگوریتم Kmeans را در ویژوال استودیو و به زبان سی شارپ پیاده سازی کرده ایم.

یکی از مهم ترین ویژگی های زبان سی شارپ که مزیت مهم ان بر زبان متلب می باشد، سرعت پردازش بالای آن می باشد. که سرعت اجرای برنامه را بسیار بهبود میدهد.

پیاده سازی الگوریتم Kmeans در #C

در این کد ، تعدادی داده دو بعدی را بصورت رندوم تولید میکنیم و سپس با الگوریتم Kmeans این داده ها را خوشه بندی کرده و در نهایت داده های موجود در هر خوشه را با رنگی متفاوت نمایش میدهیم

این امکان نیز وجود دارد که کاربر تعداد داده ها و همچنین تعداد کلاستر ها را تغییر دهد

یک فایل توضیحات کد نیز به همراه سورس کد در اختیار شما قرار میگیرد

جهت دریافت کد الگوریتم کامینز در سی شارپ از لینک زیر اقدام به خرید انلاین فرمایید

ایمیل : matlab24ir@gmail.com و یا info@matlab24.ir

نوشته پیاده سازی الگوریتم Kmeans در #C اولین بار در برنامه نویسی هوشمند پدیدار شد.

[parspalpaiddownloads id=”46″]

نوشته کد متلب خوشه بندی با الگوریتم Kmeans اولین بار در برنامه نویسی هوشمند پدیدار شد.

در این کار ما داده های دیتاست iris را که شامل سه کلاس میباشد توسط الگوریتم خوشه بندی KMEANS خوشه بندی کرده ایم . الگوریتم Kmeans که در این کار برای خوشه بندی استفاده شده است تماما کد نویسی شده است و از تولباکس متلب استفاده نشده است.

کد متلب نوشته شده به این صورت است که داده های دیتاست iris را میخواند و دو بعد اخر ان را ترسیم میکند تا کاربر بصورت نموداری و بصری نیز داده ها را ببیند:

 سپس روش خوشه بندی KMEANS را به کار میگیرد تا این داده ها را خوشه بندی کند بعد از خوشه بندی کردن نیز داده های موجود در هر خوشه را بصورت دو بعدی ترسیم میکند تا کاربر بصورت بصری نتیجه کار را ببیند

در اخر نیز داده هایی را که به اشتباه کلاس بندی شده اند را نشان میدهد : در تصویر زیر با رنگ زرد نقاطی که اشتباه کلاستر شده اند نمایش داده شده اند.

همانطور که در تصویر فوق مشاهده میکنید، داده های موجود در هر کلاستر با یک رنگ متفاوت نمایش داده شده اند تا میزان دقت و کارایی الگوریتم را بتوان به سادگی درک کرد.

همچنین میزان دقت الگوریتم را نیز محاسبه میکند و نمایش میدهد (میزان دقت به این شکل محاسبه میشود که تعداد نقاطی که به درستیکلاستر شده اند تقسیم بر تعداد کل نقاط ضربدر 100 میشود) :

جهت دریافت کد متلب خوشه بندی داده iris با الگوريتم KMeans از بخش زیر اقدام کنید  و بصورت انلاین خریداری کنید

[parspalpaiddownloads id=”48″]

ایمیل : matlab24ir@gmail.com و یا info@matlab24.ir

شماره تماس : 09120563264

نوشته خوشه بندی داده های IRIS با الگوریتم Kmeans اولین بار در برنامه نویسی هوشمند پدیدار شد.

اموزش الگوریتم خوشه بندی K-means

در این فایل اموزش الگوریتم خوشه بندی K-means به همراه مثال اورده شده است . با خواندن این فایل به خوبی با نحوه کار الگوریتم آشنا میشوید. اموزش به همراه مثال و اجرای گام به گام الگوریتم.

نوع فایل :pdf

اندازه فایل: 9 صفحه

دانلود فایل اموزش الگوریتم خوشه بندی K-means

رمز فایل : www.ipco.blogfa.com

جهت دریافت کد متلب الگوریتم k-meaans  اینجا را کلیک کنید

ایمیل : matlab24ir@gmail.com و یا info@matlab24.ir

شماره تماس : 09120563264

نوشته اموزش الگوریتم خوشه بندی K-means اولین بار در برنامه نویسی هوشمند پدیدار شد.

در این کد ما روش خوشه بندی کامینز Kmeans را بصورت موازی یا paralell پیاده سازی کرده ایم و از ان برای سگمت کردن تصویر استفاده کرده ایم

همانطور که میدانید برای اینکه یک کد را بصورت موازی در متلب اجرا کنید باید کد را بصورتی بنویسید که امکان اجزای موازی ان وجود داشته باشد و دستوراتی که در حلقه parfor برای اجرای موازی قرار میگیرند باید مستقل از اندیس حلقه باشند یعنی یک کد درون حلقه به تکرارهای قبلی یا بعدی حلقه وابسته نباشد

ما برای اجرای موازی خوشه بندی کامینز بصورت زیر عمل کرده ایم:

برای موازی کردن کد از مقاله با نام ‘Parallel Implementation of K-Means on Multi-Core Processors’

استفاده کرده ایم

همچنین برای پیاده سازی در متلب از تولباکس Paralell Computing و درستورات matlabpool و parfor استفاده کرده ایم

در پایان کد ما همچنین زمان های اجرا را مقایسه کرده ایم

زمان اجرای کد بصورت معمولی 75 ثانیه و زمان اجرای موازی کد 25 ثانیه می باشد

جهت دریافت کد متلب الگوريتم سگمنت کردن تصویر با الگوریتم K- Meansبصورت موازی از لینک زیر بصورت انلاین اقدام به خرید فرمایید

به همراه کد یک فایل توضیحات کد نیز برای شما ارسال خواهد شد

[parspalpaiddownloads id=”50″]

ایمیل : matlab24ir@gmail.com و یا info@matlab24.ir

شماره تماس : 09120563264

نوشته کد متلب خوشه بندی بصورت موازی Parallel Computing اولین بار در برنامه نویسی هوشمند پدیدار شد.

K- Means ،يکي از ساده ترين الگوريتم هاي يادگيري بدون نظارت است که مسائل کلاسترينگ معروف را حل مي کند. اين الگوريتم از يک شيوه ساده براي کلاسيفاي کردن يک مجموعه داده در يک تعداد از پيش مشخص شده (k) کلاستر،استفاده مي کند.ايده اصلي تعريف k مرکز براي هر يک از کلاستر ها مي باشد . اين مراکز بايستي با دقت زياد انتخاب شوند ، زيرا مراکز مختلف ، نتايج مختلف را به وجود مي آورند.

ما از الگوریتم خوشه بندی K- Means برای سگمنت کردن تصویر در نرم افزار متلب استفاده کرده ایم :

Image Segmentation Using K- MeansClustering Method

منظور ما از سگمنت کردن تصویر این است که هر بخش از تصویر را با توجه به تعریف مورد نظرمان بصورت جداگانه نمایش دهیم.

نحوه کار به این صورت است که ما تصویری همانند تصویر زیر را به الگوریتم K- Meansداده ایم و الگوریتم K- Means غده ها را در این تصویر جدا کرده است:

تصویر اولیه

نتیجه سگمنت کردن تصویر با الگوریتم K- Means

سگمنت کردن تصویر با الگوریتم K- Means

جهت دریافت کد متلب الگوريتم سگمنت کردن تصویر با الگوریتم K- Means   از لینک زیر اقدام کرده و بصورت انلاین خریداری کنید

49,000 تومان 15,000 تومانافزودن به سبد خرید

ایمیل : matlab24ir@gmail.com و یا info@matlab24.ir

شماره تماس : 09120563264

نوشته سگمنت کردن تصویر با الگوریتم K- Means اولین بار در برنامه نویسی هوشمند پدیدار شد.